CN117197077A - 一种基于深度学习的微塑料纤维识别方法和显微镜系统 - Google Patents
一种基于深度学习的微塑料纤维识别方法和显微镜系统 Download PDFInfo
- Publication number
- CN117197077A CN117197077A CN202311155569.0A CN202311155569A CN117197077A CN 117197077 A CN117197077 A CN 117197077A CN 202311155569 A CN202311155569 A CN 202311155569A CN 117197077 A CN117197077 A CN 117197077A
- Authority
- CN
- China
- Prior art keywords
- micro
- plastic fiber
- deep learning
- detection model
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 39
- 229920003023 plastic Polymers 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 229920000426 Microplastic Polymers 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000011179 visual inspection Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006253 efflorescence Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的微塑料纤维识别方法和显微镜系统，包括：步骤S1、根据实验过程中的微塑料纤维图像训练检测模型；步骤S2、通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；步骤S3、利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；步骤S4、将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图像。采用本发明的技术方案，将微塑料目检法过程中的获取载物膜图像与确定微塑料纤维在一套系统中识别检测，降低了实验流程的复杂性，有助于提高微塑料目检法检测的一致性。
Description
技术领域
本发明属于微塑料检测技术领域，尤其涉及一种基于深度学习的微塑料纤维识别方法和显微镜系统。
背景技术
随着环境问题的日益突出，微塑料研究成为了全球范围内备受关注的热门话题。微塑料指的是直径小于5mm的塑料微粒和纤维，它们来源广泛，包括塑料制品的使用、制造过程中的拆卸、天然材料的磨损和风化等等。这些微塑料在海洋、河流和土壤中广泛存在，严重影响了野生动植物的健康和生存环境。近年来，微塑料研究逐渐成为了全球环境科学领域的重要课题之一。
目检法指利用肉眼或显微镜观察微塑料，从自然源或动植物残骸、玻璃碎片等非塑料人造源中挑选微塑料，基于微塑料形态结构等特征对其进行分类。这种方法可以在双筒显微镜等设备协助下，在沉积物等不同环境介质中分析微塑料颗粒，挑选形态被认定为微塑料的颗粒，以颗粒的最大内径作为颗粒尺寸，用测微尺测量微塑料颗粒尺寸，最后对其进行分级。
对微塑料的尺寸大小研究多采取先分离，后目视鉴定的方法，但在操作上有一定难度和不足:该方法准确性受到微塑料颜色、形态和结构等特性的影响，误判、遗漏等现象也时有发生；且因需要肉眼依次鉴别，受实验人员注意力涣散就会影响目检法的正确率与实验结果的一致性。
发明内容
本发明要解决技术问题是，本发明提供一种基于深度学习的微塑料纤维识别方法和显微镜系统，将微塑料目检法过程中的获取载物膜图像与确定微塑料纤维在一套系统中识别检测，降低了实验流程的复杂性，有助于提高微塑料目检法检测的一致性。
为实上述目的，本发明采用如下的技术方案：
一种基于深度学习的微塑料纤维识别方法，包括：
步骤S1、根据实验过程中的微塑料纤维图像训练检测模型；
步骤S2、通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；
步骤S3、利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；
步骤S4、将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图。
作为优选，检测模型采用基于Yolov8s模型预训练而来的mps39模型。
作为优选，所述载物膜为经过微塑料目检法前期处理过的。
作为优选，在识别完成后将识别与未识别的图像数据拼合为两份完整的载物膜图像。
本发明公开一种基于深度学习的微塑料纤维识别显微镜系统，包括：检测装置、显微镜、摄像头和自动化机械平台；检测装置包括检测模型；其中，
通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；利用检测模型检测摄像头拍摄图片中的微塑料纤维；将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图。
作为优选，检测模型根据实验过程中的微塑料纤维图像训练得到的。
作为优选，检测模型采用基于Yolov8s模型预训练而来的mps39模型。
作为优选，所述载物膜为经过微塑料目检法前期处理过的。
本发明通过使用深度学习算法，可以快速准确地识别显微镜下的微塑料纤维，降低研究人员的视觉负担且提高识别的一致性；通过自动载物台扫描拍摄以及图像拼合功能可以获取到在显微镜单一视角下无法获取到的整张载物膜，方便研究人员观察载物膜状态以及识别效果。在提高目检法实验结果的一致性，与降低研究人员劳动强度方面具有现实意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明基于深度学习的微塑料纤维识别方法流程图；
图2为识别后拼接的图像及图像放大展示图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1、2所示，本发明实施例提供一种基于深度学习的微塑料纤维识别方法，包括：
步骤S1、根据实验过程中的微塑料纤维图像训练检测模型；
步骤S2、通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；
步骤S3、利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；
步骤S4、将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图。
作为本发明实施例的一种实施方式，检测模型采用基于Yolov8s模型预训练而来的mps39模型。
进一步，步骤S1包括：
步骤S11、收集原有实验过程中的微塑料纤维图像数据，通过标注工具对图像进行标注，为每个目标对象添加矩形边界框和对应的类别标签，确保每个标注包括对象边界框的坐标和类别标签；
步骤S11、将收集到的图像数据集分为训练集、验证集和测试集，并使用标注工具生成对应图像的标签文件，该文件描述了图像中目标的位置和类别。每行通常包括类别编号、目标的中心坐标、宽度、高度等信息，将文件分类保存，准备训练；
步骤S11、设置相应的目标边界框坐标损失、目标类别损失以及目标与背景的分类损失。这些损失函数帮助模型更好地定位和分类目标；
步骤S11、以预训练权重文件在训练数据集上训练检测模型mps39，监控训练损失和验证损失，确保模型不会过拟合，并在验证数据集上验证准确率，根据相应结果调整学习率、批大小等超参数，以优化模型的性能；
步骤S11、训练多轮后，根据反馈结果调整数据增强、模型结构、损失函数等。然后，继续训练模型，直到满足预定的性能要求，通过程序与人工识别选取分类准确率最高的模型权重导出作为最终检测模型。
作为本发明实施例的一种实施方式，所述载物膜为经过微塑料目检法前期处理过的。
作为本发明实施例的一种实施方式，在识别完成后将识别与未识别的图像数据拼合为两份完整的载物膜图像。
本发明的具体优势如下：
1、检测速度快：传统的目视法检测需要肉眼依次鉴别，一个样品通常要耗费90min及以上的时间；而微塑料纤维识别显微镜系统整个测量过程在40分钟左右即可完成，并且只需要少量人工干预。
2、检测精度高：本发明证明了深度学习的微塑料纤维识别显微镜系统的可行性，本发明可以对微塑料目检法的人工识别进行替代，去除了实验可能受到的实验人员注意力涣散影响实验结果的影响因素，提高了检测的精度与检测结果的一致性。
3、检测操作简单：微塑料目检法需要人为进行计数统计、分析处理、拍照保存等操作，系统能够自动化完成计数统计、分析处理、拍照保存、结果保存等功能，操作简单，自动化程度高。
实施例2：
本发明提供了一种基于深度学习的微塑料纤维识别显微镜系统，包括：检测装置、显微镜、摄像头和自动化机械平台；检测装置包括检测模型；自动化机械平台通过两个单线轨T型丝杆模组组合成水平载物台，能够在视角较窄的显微镜视角下通过平台运动将载物膜移动到物镜下方进行图像拍摄；其中，通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；利用检测模型检测摄像头拍摄图片中的微塑料纤维；将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图。
作为本发明实施例的一种实施方式，检测模型根据实验过程中的微塑料纤维图像训练得到的；检测模型采用基于Yolov8s模型预训练而来的mps39模型。
作为本发明实施例的一种实施方式，所述载物膜为经过微塑料目检法前期处理过的。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于深度学习的微塑料纤维识别方法，其特征在于，包括：
步骤S1、根据实验过程中的微塑料纤维图像训练检测模型；
步骤S2、通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；
步骤S3、利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；
步骤S4、将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图。
2.如权利要求1所述的基于深度学习的微塑料纤维识别方法，其特征在于，检测模型采用基于Yolov8s模型预训练而来的mps39模型。
3.如权利要求2所述的基于深度学习的微塑料纤维识别方法，其特征在于，所述载物膜为经过微塑料目检法前期处理过的。
4.如权利要求3所述的基于深度学习的微塑料纤维识别方法，其特征在于，在识别完成后将识别与未识别的图像数据拼合为两份完整的载物膜图像。
5.一种基于深度学习的微塑料纤维识别显微镜系统，其特征在于，包括：检测装置、显微镜、摄像头和自动化机械平台；检测装置包括检测模型；其中，
通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；利用检测模型检测摄像头拍摄图片中的微塑料纤维；将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图。
6.如权利要求5所述的基于深度学习的微塑料纤维识别显微镜系统，其特征在于，检测模型根据实验过程中的微塑料纤维图像训练得到的。
7.如权利要求6所述的基于深度学习的微塑料纤维识别显微镜系统，其特征在于，检测模型采用基于Yolov8s模型预训练而来的mps39模型。
8.如权利要求7所述的基于深度学习的微塑料纤维识别显微镜系统，其特征在于，所述载物膜为经过微塑料目检法前期处理过的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155569.0A CN117197077A (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的微塑料纤维识别方法和显微镜系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155569.0A CN117197077A (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的微塑料纤维识别方法和显微镜系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197077A true CN117197077A (zh) | 2023-12-08 |
Family
ID=88988199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311155569.0A Pending CN117197077A (zh) | 2023-09-08 | 2023-09-08 | 一种基于深度学习的微塑料纤维识别方法和显微镜系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197077A (zh) |
-
2023
- 2023-09-08 CN CN202311155569.0A patent/CN117197077A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6529612B1 (en) | Method for acquiring, storing and analyzing crystal images | |
| CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| Bollmann et al. | Automated particle analysis: calcareous microfossils | |
| CN111260638B (zh) | 基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统 | |
| CN110132989A (zh) | 一种混凝土裂缝检测设备、方法以及终端系统 | |
| CN111443028A (zh) | 一种基于ai技术的浮游藻类自动监测设备与方法 | |
| CN110220912A (zh) | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 | |
| CN113850799B (zh) | 一种基于YOLOv5的微量DNA提取工作站工件检测方法 | |
| CN113191452B (zh) | 一种基于深度学习的煤灰分在线检测系统及其检测方法 | |
| CN113128335A (zh) | 微体古生物化石图像检测、分类及发现方法、系统及应用 | |
| CN113312999A (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
| CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
| CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
| CN115760837A (zh) | 一种基于深度神经网络的晶体质量评估方法及系统 | |
| CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
| CN107330472A (zh) | 一种无标记模式动物个体的自动识别方法 | |
| CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
| CN117197077A (zh) | 一种基于深度学习的微塑料纤维识别方法和显微镜系统 | |
| CN116757998A (zh) | 基于ai的ctc细胞和ctc样细胞的筛查方法及装置 | |
| CN112418362B (zh) | 一种目标检测训练样本筛选方法 | |
| CN114355083A (zh) | 基于人工智能算法的巡检机器人故障识别方法、系统 | |
| Allen | An automated pollen recognition system | |
| CN1437025A (zh) | 智能显微图像分析仪 | |
| CN114120318A (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
| Dhawale et al. | Real-Time Image Processing for Biological Applications Through Morphological Operations using LabVIEW |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |